「上一筆贏了，下一筆加碼。」
這個想法聽起來太有道理了。如果你的系統正在連勝，代表你和市場的節奏對上了，應該趁勢加碼。很多資金管理的書都推薦這個做法，它有一個好聽的名字叫 Winner Recycling——把上一筆的獲利重新投入下一筆交易。我用超過四百個均值回歸策略驗證這件事。結論是 REJECT。
不是 Winner Recycling 的理論錯了。而是它的統計假設在均值回歸策略上根本不成立。
Winner Recycling 的隱藏假設
大多數人在使用 Winner Recycling 的時候，沒有意識到它背後有一個關鍵假設：勝負之間有正的序列相關性。
什麼意思？就是「贏了之後更容易贏，輸了之後更容易輸」。用統計的話來說，win/loss 序列的自相關（autocorrelation）要大於零。
如果這個假設成立——連勝和連敗確實有 cluster 的傾向——那 Winner Recycling 就有基礎。你在連勝的時候加碼、連敗的時候縮量，是在利用一個真實存在的統計特性。
如果這個假設不成立——每筆交易的勝負完全獨立——那 Winner Recycling 就跟丟銅板猜正反面一樣，沒有任何意義。你只是在隨機的序列上疊加了一個無效的規則。
怎麼驗證
方法很直接：對你策略產生的 win/loss 序列算 autocorrelation。
贏的交易標記為 1，輸的標記為 0。然後看這個序列的 lag-1 autocorrelation（每筆和前一筆的相關性）。
AC > 0：勝負有正相關，贏了之後確實更容易贏。Winner Recycling 有統計基礎。
AC ≈ 0：勝負之間沒有相關性，每筆交易獨立。Winner Recycling 沒有意義。
AC < 0：勝負有負相關，贏了之後反而更容易輸。你應該反過來做——贏了之後縮量。
四百多個 MR 策略的結果
我把我手上所有的均值回歸策略都拿來算了。不是幾十個，是四百多個。涵蓋不同商品、不同時間框架、不同的均值回歸邏輯。
整體的平均 autocorrelation：幾乎是零。 精確地說是一個非常微小的負值，統計上不顯著。
換句話說：均值回歸策略的勝負序列是隨機的。上一筆贏了，對下一筆贏不贏沒有任何預測力。
不是「有一點預測力但太小」，是「完全沒有預測力」。
為什麼 MR 策略的勝負不 cluster
想想均值回歸策略在做什麼：它在價格偏離均值的時候進場，賭價格會回來。
每一筆交易利用的是一個「獨立的」偏離事件。上一次價格偏離後回歸成功了，不代表下一次偏離也會回歸。上一筆交易和下一筆交易之間，市場已經經歷了不同的供需變化、不同的訊息衝擊、不同的參與者行為。
這跟趨勢策略的邏輯完全不同。趨勢策略賭的是「動量延續」——一個趨勢開始之後會持續一段時間。所以在趨勢策略裡，連勝是有道理的：你可能在同一波趨勢裡連續進場，每一筆都在吃同一個趨勢的利潤。上一筆贏了，代表趨勢還在，下一筆確實更可能贏。
但均值回歸的每筆交易是一個獨立事件。它沒有「延續性」的概念。上一個回歸機會的成敗，不影響下一個回歸機會的品質。
那 Winner Recycling 適合什麼策略？
基於上面的邏輯，Winner Recycling 最可能有效的策略類型是：
動量 / Breakout 策略。 這些策略的收益通常來自少數幾波大趨勢。在趨勢延續的期間，連勝的機率高於隨機。AC 可能大於零。
長周期策略。 持倉時間越長，交易之間的「市場環境重疊」越多，連勝的 cluster 傾向越強。日線級別的趨勢策略比分鐘級別的策略更可能有正的 AC。
但即使是這些策略，你也不應該直接假設 Winner Recycling 有效。先算 AC，再做決定。
通用教訓：先驗證統計假設，再部署策略
Winner Recycling 只是一個例子。更大的教訓是：任何資金管理策略都建立在某個統計假設上。如果那個假設在你的系統裡不成立，策略就是無效的。
Kelly Criterion 假設你知道真實的勝率和盈虧比——如果你用的是回測估計值而不是真實值，Kelly 就可能過度冒險。
Martingale 假設你有無限資金——你沒有。
Anti-Martingale（Winner Recycling）假設勝負有正序列相關——均值回歸策略裡沒有。
不要因為一個策略「聽起來有道理」就用。先把它的假設找出來，然後用你自己的資料驗證。
驗證的成本是幾行程式碼和幾分鐘的計算時間。部署一個無效策略的成本是幾個月的真金白銀。
這個投報率你算得出來。
